導讀

在CV領域的很多應用中，比如工業質檢、遙感圖像、自動駕駛，圖像分割是非常關鍵的技術。在這個過程中，速度和精度都是需要考慮的因素，而如何從網絡設計、模型部署方面進行創新提升，PP-LiteSeg會從項目應用、代碼實戰等角度給出詳細的行業分享。

支撐影視人像摳圖、醫療影像分析、自動駕駛感知等萬億級市場背后的核心技術是什么？那就要說到頂頂重要的圖像分割技術。相比目標檢測、圖像分類等技術，圖像分割需要將每個像素點進行分類，在精細的圖像識別任務中不可替代，也是智能視覺算法工程師擁有關鍵核心競爭力的關鍵！

圖1 圖像分割應用 正因如此，DeepLabv3、OCRNet、BiseNetv2、Fast-SCNN等優秀算法層出不窮，然而在實際產業落地過程中往往需要綜合考慮硬件性能、精度等多方面因素，對算法的需求也是苛刻的。往往業界算法在保障高識別精度的情況下，就會犧牲算法運行速度；反之追求速度，則會帶來精度的大幅度損失。

圖2 各算法速度與精度平衡情況示意 如何能同時實現速度和精度的均衡，在當前云、邊、端多場景協同的產業大趨勢下高標準滿足產業需求，是各屆研究人員致力投入的方向。 PP-LiteSeg就是這樣一個同時兼顧精度與速度的SOTA（業界最佳）語義分割模型。它基于Cityscapes數據集，在1080ti上精度為mIoU 72.0時，速度高達273.6 FPS, （mIoU 77.5 時，FPS為102.6），超越現有CVPR SOTA模型STDC，真正實現了精度和速度的SOTA均衡。

圖3PP-LiteSeg精度/速度說明 空口無憑，歡迎優秀的你直接試用！（記得Star收藏跟進最新狀態）傳送門：https://github.com/PaddlePaddle/PaddleSeg

更值得令人驚喜的是，PP-LiteSeg不僅在開源數據集評測效果優秀，在產業數據集也表現出了驚人的實力！例如在質檢、遙感場景，PP-LiteSeg的精度與高精度、大體積的OCRNet持平，而速度卻快了近7倍！！！

圖4 PP-LiteSeg和OCRNet 在某工業質檢數據集識別情況對比

圖4 PP-LiteSeg和OCRNet 在deepglobe數據集識別情況對比 那PP-LiteSeg為何可以擁有這么優秀的效果呢？ PP-LiteSeg提出三個創新模塊：靈活的解碼模塊（FLD）、注意力融合模塊（UAFM）、簡易金字塔池化模塊（SPPM）。FLD靈活調整解碼模塊中通道數，平衡編碼模塊和解碼模塊的計算量，使得整個模型更加高效；UAFM模塊效地加強特征表示，更好地提升了模型的精度；SPPM模塊減小了中間特征圖的通道數、移除了跳躍連接，使得模型性能進一步提升。

圖5 PP-LiteSeg 模型結構和優化點 正是基于這些模塊的設計與改進，最終PP-LiteSeg超越其他方法，在1080ti上精度為mIoU 72.0時，速度高達273.6 FPS , （mIoU 77.5 時，FPS為102.6），實現了精度和速度的SOTA平衡。
為了讓開發者們更深入的了解PP-LiteSeg這個SOTA模型，解決落地應用難點，掌握產業實踐的核心能力，飛槳團隊精心準備了精品直播課！

審核編輯 ：李倩